Número de ingresos económicos

La primera variable independiente es el número de ingresos económicos del país (Ningresos), construida a partir de la información del Banco Mundial. Esta variable resume la capacidad económica de los países y se usa como aproximación al nivel de recursos disponibles para financiar políticas públicas, incluida la lucha contra el narcotráfico.

Distribución de la variable Ningresos

Nivel_ingreso	Frecuencia	Porcentaje
Ingreso alto	55	32.2
Ingreso mediano alto	45	26.3
No clasificado	2	1.2
Países de ingreso bajo	24	14.0
Países de ingreso mediano bajo	45	26.3

Democracia

La segunda variable independiente es el índice de democracia (democracia), tomado del Democracy Report 2023 de V-Dem. Valores más altos indican mayor calidad democrática en términos de competencia electoral, participación y libertades civiles.

Descripción estadística de la variable democracia

Variable	N	Min	Q1	Mediana	Media	Q3	Max	SD
Índice de democracia	171	0.01	0.26	0.51	0.5	0.74	0.92	0.26

Corrupción

La tercera variable independiente es el índice de corrupción (corrupcion), basado en el Corruption Perceptions Index 2023 de Transparency International. Valores más altos indican menor corrupción percibida en el sector público; valores bajos sugieren contextos más corruptos.

Descripción estadística de la variable corrupción

Variable	N	Min	Q1	Mediana	Media	Q3	Max	SD
Índice de corrupción	171	11	28.5	39	42.72	53.5	90	18.73

Población (variable de control)

La variable de control es la población total del país (poblacion), tomada de las estimaciones del Banco Mundial. Se incluye para capturar efectos de escala: es esperable que, a mayor número de habitantes, haya más incautaciones en términos absolutos, independientemente de la calidad institucional o del nivel de ingresos.

Descripción estadística de la variable de control: población

Variable	N	Min	Q1	Mediana	Media	Q3	Max	SD
Población (habitantes)	171	119773	3429236	10536632	46317625	34485958	1438069596	158893269

Gráfico de niveles de ingreso

Gráfico índice de democracia

Gráfico de Corrupción

Gráfico de Población

Kilos incautados vs número de ingresos económicos

En este gráfico de cajas y bigotes se observa cómo varían los kilos totales incautados según el nivel de ingresos económicos del país (Ningresos). En todos los grupos de ingreso la mayoría de observaciones se concentran en valores relativamente bajos (las cajas cercanas al cero), pero la dispersión y la presencia de valores extremos cambia según el nivel de ingresos. Los países de ingreso mediano alto y de ingreso mediano bajo presentan cajas más altas y bigotes más largos, lo que indica tanto una mediana como un rango intercuartílico mayores, es decir, en estos estratos se registran en promedio más kilos incautados y una variabilidad más amplia. Además, en estos mismos grupos se observan varios valores atípicos que superan con creces el resto de observaciones, alcanzando varios millones de kilos incautados, lo que sugiere la existencia de unos pocos países que concentran incautaciones de gran escala. En contraste, los países de ingreso alto y los no clasificados muestran cajas más comprimidas y cercanas al eje horizontal, con menos puntos extremos y sin incautaciones tan voluminosas como las observadas en los grupos de ingreso mediano. Esto sugiere que, aunque hay incautaciones en todos los niveles de ingreso, los volúmenes más altos y dispersos se concentran principalmente en países de ingreso mediano.

Kilos incautados vs democracia

En este gráfico de dispersión se observa la relación entre los kilos totales incautados y el índice de democracia del país (democracia). Cada punto representa un país en un año determinado. La mayoría de observaciones se concentran en valores relativamente bajos de incautaciones, cercanos a cero, a lo largo de casi todo el rango del índice de democracia. Sin embargo, aparecen algunos valores extremos (puntos muy altos en el eje vertical) que corresponden a países con volúmenes de incautación excepcionalmente elevados.

La línea de regresión ajustada muestra una pendiente ligeramente negativa, lo que sugiere que, en promedio, a medida que aumenta el nivel de democracia, los kilos incautados tienden a disminuir levemente. No obstante, la nube de puntos es bastante dispersa y la mayoría de valores se agrupa cerca del eje horizontal, por lo que la relación parece ser débil y fuertemente influida por unos pocos casos con incautaciones muy altas, especialmente en países con índices de democracia bajos o intermedios. En conjunto, el gráfico indica que no existe una asociación lineal fuerte entre democracia y kilos incautados, aunque se insinúa una tendencia a mayores volúmenes de incautación en contextos menos democráticos.

Kilos incautados vs corrupción

En este gráfico de dispersión se explora la relación entre los kilos totales incautados y el índice de corrupción (CPI). Cada punto representa un país en un año determinado. En el eje horizontal se ubica el valor del CPI (donde puntajes más bajos suelen asociarse con mayor corrupción percibida y puntajes más altos con menor corrupción), mientras que en el eje vertical se muestran los kilos totales incautados. La mayoría de observaciones se concentran cerca del cero en el eje vertical, lo que indica que, para la gran parte de los países, los volúmenes anuales de incautación son relativamente bajos, independientemente del nivel de corrupción.

Sin embargo, se observan varios valores extremos en la parte superior del gráfico, especialmente en el tramo de CPI bajo y medio (aprox. entre 15 y 40 puntos), donde algunos países registran incautaciones de varios millones de kilos. La línea de regresión ajustada presenta una pendiente negativa, lo que sugiere que, en promedio, a medida que aumenta el valor del CPI (es decir, cuando la corrupción percibida es menor), los kilos incautados tienden a disminuir ligeramente. No obstante, la nube de puntos es bastante dispersa y la mayor parte de la variación está determinada por unos pocos casos con incautaciones muy altas, por lo que la relación entre corrupción e incautaciones parece ser débil y heterogénea: los mayores volúmenes de incautación tienden a concentrarse en países con niveles más altos de corrupción percibida, pero no de manera uniforme en todos los casos.

Kilos incautados vs población

Finalmente, se muestra la relación entre los kilos totales incautados y la población total del país (poblacion), que aquí actúa como variable de control. Cada punto representa un país en un año determinado. La nube de puntos revela que la mayoría de observaciones se concentra cerca del origen del gráfico: países con poblaciones relativamente pequeñas o medianas y con volúmenes de incautación bajos, cercanos a cero. Esto sugiere que, en la mayor parte de los casos, el aumento de la población no se traduce automáticamente en incautaciones muy elevadas, sino que la mayoría de países, independientemente de su tamaño, registra cantidades moderadas de droga incautada.

La línea de regresión presenta una pendiente positiva, lo que indica que, en promedio, los países con mayor población tienden a registrar más kilos incautados. No obstante, la relación visual es débil y está fuertemente condicionada por algunos valores extremos: por un lado, países de población relativamente baja que aparecen con incautaciones muy altas; por otro, países muy poblados que también presentan volúmenes de incautación superiores al resto. En conjunto, el gráfico sugiere una asociación positiva pero poco lineal entre población e incautaciones, lo que justifica tratar la población como variable de control para distinguir el efecto del “tamaño del país” de otros factores institucionales o estructurales analizados en el estudio.

Gráfico de Kilos incautados y número de ingresos

Gráfico kilos incautados vs democracia

Gráfico de Kilos incautados y corrupción

Gráficos Kilos incautados y población

Modelos de regresión lineal

Aquí se presentan los tres modelos lineales estimados, donde la variable dependiente es el total de kilos incautados (kilos_totales) y las variables explicativas son democracia, corrupción, población y número de ingresos económicos.

Regresión 1

Modelo base con democracia y población como predictores de los kilos totales incautados.

Call:
lm(formula = kilos_totales ~ democracia + poblacion, data = DATA)

Residuals:
     Min       1Q   Median       3Q      Max 
-1621638  -343594  -245293  -172859  8814220 

Coefficients:
              Estimate Std. Error t value Pr(>|t|)
(Intercept)  4.873e+05  3.225e+05   1.511    0.134
democracia  -3.280e+05  5.121e+05  -0.641    0.523
poblacion    8.364e-04  6.427e-04   1.301    0.196

Residual standard error: 1290000 on 112 degrees of freedom
  (56 observations deleted due to missingness)
Multiple R-squared:  0.02182,   Adjusted R-squared:  0.004355 
F-statistic: 1.249 on 2 and 112 DF,  p-value: 0.2907

Regresión 2

Modelo que añade la variable de corrupción como factor institucional adicional.

Call:
lm(formula = kilos_totales ~ democracia + corrupcion + poblacion, 
    data = DATA)

Residuals:
     Min       1Q   Median       3Q      Max 
-1223676  -454991  -277445   106493  8332844 

Coefficients:
              Estimate Std. Error t value Pr(>|t|)   
(Intercept)  7.686e+05  3.294e+05   2.333   0.0214 * 
democracia   1.232e+06  7.516e+05   1.639   0.1041   
corrupcion  -2.570e+04  9.285e+03  -2.768   0.0066 **
poblacion    1.038e-03  6.287e-04   1.652   0.1014   
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 1253000 on 111 degrees of freedom
  (56 observations deleted due to missingness)
Multiple R-squared:  0.085, Adjusted R-squared:  0.06027 
F-statistic: 3.437 on 3 and 111 DF,  p-value: 0.0194

Regresión 3

Modelo completo que incorpora, además, el número de ingresos económicos del país.

[1] "Países de ingreso bajo"         "Ingreso mediano alto"          
[3] "Países de ingreso mediano bajo" "Ingreso alto"                  
[5] "No clasificado"                

Call:
lm(formula = kilos_totales ~ democracia + corrupcion + poblacion + 
    Ningresos, data = DATA)

Residuals:
     Min       1Q   Median       3Q      Max 
-1205697  -468497  -281268   104454  8290576 

Coefficients:
              Estimate Std. Error t value Pr(>|t|)  
(Intercept)  5.979e+05  4.752e+05   1.258   0.2111  
democracia   1.260e+06  8.316e+05   1.515   0.1327  
corrupcion  -2.491e+04  1.147e+04  -2.172   0.0321 *
poblacion    9.930e-04  6.419e-04   1.547   0.1248  
Ningresos2   1.811e+05  4.283e+05   0.423   0.6732  
Ningresos3   1.940e+05  4.146e+05   0.468   0.6408  
Ningresos4   7.169e+04  5.990e+05   0.120   0.9049  
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 1269000 on 108 degrees of freedom
  (56 observations deleted due to missingness)
Multiple R-squared:  0.08771,   Adjusted R-squared:  0.03703 
F-statistic: 1.731 on 6 and 108 DF,  p-value: 0.1207

TABLA 1

Regresion: modelo 1

	 TABLA (I)
(Intercept)	487273.378
	(322540.253)
democracia	-328022.714
	(512131.531)
poblacion	0.001
	(0.001)
Num.Obs.	115
R2	0.022
R2 Adj.	0.004
AIC	3567.5
BIC	3578.5
Log.Lik.	-1779.737
RMSE	1273185.16
+ p < 0.1, * p < 0.05, ** p < 0.01, *** p < 0.001

TABLA 2

Regresion: modelo 2

	 apropiacion (II)
(Intercept)	768612.874*
	(329420.226)
democracia	1231562.466
	(751609.944)
corrupcion	-25704.937**
	(9285.152)
poblacion	0.001
	(0.001)
Num.Obs.	115
R2	0.085
R2 Adj.	0.060
AIC	3561.8
BIC	3575.5
Log.Lik.	-1775.898
RMSE	1231384.21
+ p < 0.1, * p < 0.05, ** p < 0.01, *** p < 0.001

TABLA 3

Regresion: modelo 3

	 apropiacion (II)
(Intercept)	597873.937
	(475236.206)
democracia	1259930.321
	(831624.493)
corrupcion	-24905.733*
	(11468.073)
poblacion	0.001
	(0.001)
Ningresos2	181121.298
	(428253.870)
Ningresos3	193988.750
	(414611.881)
Ningresos4	71691.853
	(598965.388)
Num.Obs.	115
R2	0.088
R2 Adj.	0.037
AIC	3567.5
BIC	3589.4
Log.Lik.	-1775.727
RMSE	1229558.66
+ p < 0.1, * p < 0.05, ** p < 0.01, *** p < 0.001

Comparación de modelos (ANOVA)

La prueba ANOVA permite comparar los modelos anidados (Modelo 1, Modelo 2 y Modelo 3) y evaluar si la incorporación de nuevas variables (corrupción y número de ingresos económicos) mejora significativamente el ajuste del modelo.

Analysis of Variance Table

Model 1: kilos_totales ~ democracia + poblacion
Model 2: kilos_totales ~ democracia + corrupcion + poblacion
Model 3: kilos_totales ~ democracia + corrupcion + poblacion + Ningresos
  Res.Df        RSS Df  Sum of Sq     F   Pr(>F)   
1    112 1.8642e+14                                
2    111 1.7438e+14  1 1.2040e+13 7.479 0.007298 **
3    108 1.7386e+14  3 5.1664e+11 0.107 0.955851   
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

AIC

    Modelo      AIC
1 Modelo 1 3567.473
2 Modelo 2 3561.795
3 Modelo 3 3567.454

MEDIA

[1] 1.630541e-10

[1] -3.823041e-11

[1] 7.058371e-11

HOMOCEDASTICIDAD

    studentized Breusch-Pagan test

data:  reg1
BP = 0.4172, df = 2, p-value = 0.8117

    studentized Breusch-Pagan test

data:  reg2
BP = 5.8725, df = 3, p-value = 0.118

    studentized Breusch-Pagan test

data:  reg3
BP = 6.4857, df = 6, p-value = 0.371

NO MULTICOLINEALIDAD

democracia  poblacion 
  1.035584   1.035584 

democracia corrupcion  poblacion 
  2.363242   2.291007   1.049718 

               GVIF Df GVIF^(1/(2*Df))
democracia 2.823366  1        1.680287
corrupcion 3.410505  1        1.846755
poblacion  1.067824  1        1.033355
Ningresos  3.618314  3        1.239037

NORMALIDAD DE RESIDUOS

    Shapiro-Wilk normality test

data:  reg1$residuals
W = 0.32187, p-value < 2.2e-16

    Shapiro-Wilk normality test

data:  reg2$residuals
W = 0.4405, p-value < 2.2e-16

    Shapiro-Wilk normality test

data:  reg3$residuals
W = 0.44186, p-value < 2.2e-16

COOK’S DISTANCE

   dfb.1_ dfb.dmcr dfb.pblc dffit cov.r cook.d  hat
31  FALSE    FALSE     TRUE  TRUE  TRUE   TRUE TRUE

VALORES ESTANDARIZADOS

Call:
lm(formula = scale(kilos_totales) ~ scale(democracia) + scale(corrupcion) + 
    scale(poblacion), data = DATA)

Residuals:
    Min      1Q  Median      3Q     Max 
-0.9464 -0.3519 -0.2146  0.0824  6.4449 

Coefficients:
                  Estimate Std. Error t value Pr(>|t|)   
(Intercept)       -0.00997    0.09449  -0.106   0.9162   
scale(democracia)  0.24903    0.15198   1.639   0.1041   
scale(corrupcion) -0.37238    0.13451  -2.768   0.0066 **
scale(poblacion)   0.12761    0.07726   1.652   0.1014   
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 0.9694 on 111 degrees of freedom
  (56 observations deleted due to missingness)
Multiple R-squared:  0.085, Adjusted R-squared:  0.06027 
F-statistic: 3.437 on 3 and 111 DF,  p-value: 0.0194

LINEALIDAD REG 1

LINEALIDAD REG 2

LINEALIDAD REG 3

HOMOCEDASTICIDAD REG 1

HOMOCEDASTICIDAD REG 2

### HOMOCEDASTICIDAD REG 3

Gráfico - V.I REG 1

Gráfico - V.I REG 2

Gráfico - V.I REG 3

Modelo con coeficientes estandarizados

Regresion: modelo con coeficientes estandarizados

	 Voto estandarizado
(Intercept)	-0.010
	(0.094)
scale(democracia)	0.249
	(0.152)
scale(corrupcion)	-0.372**
	(0.135)
scale(poblacion)	0.128
	(0.077)
Num.Obs.	115
R2	0.085
R2 Adj.	0.060
AIC	325.1
BIC	338.9
Log.Lik.	-157.568
F	3.437
RMSE	0.95
+ p < 0.1, * p < 0.05, ** p < 0.01, *** p < 0.001

Planteamiento del modelo logístico

En estos modelos la variable dependiente es ingreso_alto (ingreso_alto), que toma el valor 1 si el país pertenece al grupo de ingreso alto y 0 en caso contrario. El objetivo es evaluar cómo las incautaciones de drogas y las variables políticas y demográficas se asocian a la probabilidad de que un país sea de ingreso alto.

Se estiman tres especificaciones:

• Modelo I (H1): kilos_totales + población
  
• Modelo II (H2): kilos_totales + democracia + población
  
• Modelo III (H3): kilos_totales + democracia + corrupción + población

[1] 1    2    3    4    <NA>
Levels: 1 2 3 4

Regresión 1

Call:
glm(formula = h1, family = binomial, data = DATA)

Coefficients:
                Estimate Std. Error z value Pr(>|z|)  
(Intercept)    4.958e-01  1.990e-01   2.491   0.0127 *
kilos_totales -1.519e-07  1.543e-07  -0.985   0.3249  
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

(Dispersion parameter for binomial family taken to be 1)

    Null deviance: 153.95  on 114  degrees of freedom
Residual deviance: 152.90  on 113  degrees of freedom
  (56 observations deleted due to missingness)
AIC: 156.9

Number of Fisher Scoring iterations: 4

Tabla regresión 1

Regresión Logística

	Drogas por nivel de ingresos
(Intercept)	0.496*
	(0.199)
kilos_totales	-0.000
	(0.000)
Num.Obs.	115
AIC	156.9
BIC	162.4
Log.Lik.	-76.450
RMSE	0.49
+ p < 0.1, * p < 0.05, ** p < 0.01, *** p < 0.001

H1

Call:
glm(formula = h1, family = binomial, data = DATA)

Coefficients:
                Estimate Std. Error z value Pr(>|z|)  
(Intercept)    5.078e-01  2.055e-01   2.471   0.0135 *
kilos_totales -1.465e-07  1.548e-07  -0.947   0.3438  
poblacion     -2.378e-10  9.980e-10  -0.238   0.8116  
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

(Dispersion parameter for binomial family taken to be 1)

    Null deviance: 153.95  on 114  degrees of freedom
Residual deviance: 152.84  on 112  degrees of freedom
  (56 observations deleted due to missingness)
AIC: 158.84

Number of Fisher Scoring iterations: 4

H2

Call:
glm(formula = h2, family = binomial, data = DATA)

Coefficients:
                Estimate Std. Error z value Pr(>|z|)    
(Intercept)   -1.432e+00  5.512e-01  -2.598  0.00939 ** 
kilos_totales -1.245e-07  1.588e-07  -0.784  0.43302    
democracia     3.446e+00  9.264e-01   3.719  0.00020 ***
poblacion      5.039e-10  1.033e-09   0.488  0.62581    
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

(Dispersion parameter for binomial family taken to be 1)

    Null deviance: 153.95  on 114  degrees of freedom
Residual deviance: 137.10  on 111  degrees of freedom
  (56 observations deleted due to missingness)
AIC: 145.1

Number of Fisher Scoring iterations: 4

H3

Call:
glm(formula = h3, family = binomial, data = DATA)

Coefficients:
                Estimate Std. Error z value Pr(>|z|)    
(Intercept)   -2.725e+00  7.323e-01  -3.721 0.000199 ***
kilos_totales  5.423e-08  1.610e-07   0.337 0.736170    
democracia    -3.027e-01  1.378e+00  -0.220 0.826112    
corrupcion     7.899e-02  2.319e-02   3.407 0.000657 ***
poblacion     -2.446e-10  1.048e-09  -0.233 0.815534    
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

(Dispersion parameter for binomial family taken to be 1)

    Null deviance: 153.95  on 114  degrees of freedom
Residual deviance: 121.94  on 110  degrees of freedom
  (56 observations deleted due to missingness)
AIC: 131.94

Number of Fisher Scoring iterations: 5

TABLA - Regresión Logísticas (Coeficientes Exponenciados)

Regresión Logísticas (Coeficientes Exponenciados)

	 Adhesión (I)	 Adhesión (II)	 Adhesión (III)
(Intercept)	1.662*	0.2389**	0.06557***
	[1.116, 2.505]	[0.07781, 0.6853]	[0.01396, 0.2533]
kilos_totales	1.000	1.0000	1.00000
	[1.000, 1.000]	[1.00000, 1.0000]	[1.00000, 1.0000]
poblacion	1.000	1.0000	1.00000
	[1.000, 1.000]	[1.00000, 1.0000]	[1.00000, 1.0000]
democracia		31.3642***	0.73880
		[5.45856, 210.9681]	[0.04728, 10.9389]
corrupcion			1.08220***
			[1.03746, 1.1369]
Num.Obs.	115	115	115
AIC	158.8	145.1	131.9
BIC	167.1	156.1	145.7
Log.Lik.	-76.421	-68.550	-60.972
RMSE	0.49	0.46	0.43
+ p < 0.1, * p < 0.05, ** p < 0.01, *** p < 0.001

PAM

En esta sección se aplica el método PAM usando la distancia de Gower para agrupar países según sus niveles de incautaciones, democracia, corrupción y población.

	poblacion	democracia	corrupcion	kilos_totales	pam
Afghanistan	41454761	0.073	20	4.558808e+06	1
Albania	2745972	0.507	37	2.357985e+03	2
Algeria	46164219	0.265	36	5.004563e+04	3
Angola	36749906	0.330	33	1.399334e+04	3
Argentina	45538401	0.838	37	3.406357e+05	4
Armenia	2964300	0.635	47	3.249862e+01	5
Australia	26652777	0.855	75	4.667940e+04	6
Austria	9131761	0.846	71	5.270837e+03	6
Azerbaijan	10153958	0.187	23	4.389029e+03	1
Belarus	9178298	0.157	37	1.149429e+03	3
Belgium	11787423	0.898	73	1.948574e+05	6
Benin	14111034	0.493	43	7.668199e+03	2
Bhutan	786385	0.540	68	1.977725e+02	5
Bosnia and Herzegovina	3185073	0.504	35	1.314814e+03	2
Botswana	2480244	0.556	59	1.361430e+03	5

 [1] "Australia"     "Benin"         "Canada"        "El Salvador"  
 [5] "Guinea-Bissau" "Mali"          "Niger"         "Pakistan"     
 [9] "Senegal"       "Singapore"     "Slovakia"     

  pam  poblacion democracia corrupcion kilos_totales
1   1   38267469  0.2658750   23.18750     312604.28
2   2   44817311  0.5065217   33.52174     179567.06
3   3   32373572  0.2540714   36.07143     129168.17
4   4   26746235  0.7333158   43.26316     318150.22
5   5    9623081  0.5661111   53.00000      31516.09
6   6   47004365  0.8403889   67.27778     119848.73
7   7 1424389798  0.2235000   40.50000    1560867.63
8   8   13063432  0.8395833   81.75000      18260.01
9   9   14384845  0.5215000   23.00000    8692696.37

  pam  poblacion democracia corrupcion kilos_totales
5   5    9623081  0.5661111   53.00000      31516.09
8   8   13063432  0.8395833   81.75000      18260.01
9   9   14384845  0.5215000   23.00000    8692696.37
4   4   26746235  0.7333158   43.26316     318150.22
3   3   32373572  0.2540714   36.07143     129168.17
1   1   38267469  0.2658750   23.18750     312604.28
2   2   44817311  0.5065217   33.52174     179567.06
6   6   47004365  0.8403889   67.27778     119848.73
7   7 1424389798  0.2235000   40.50000    1560867.63

[1] 0

 [1] "Australia"     "Benin"         "Canada"        "El Salvador"  
 [5] "Guinea-Bissau" "Mali"          "Niger"         "Pakistan"     
 [9] "Senegal"       "Singapore"     "Slovakia"     

[1] 11

AGNES (clustering jerárquico aglomerativo)

Aquí se utiliza un método jerárquico aglomerativo (AGNES) con enlace de Ward para identificar grupos de países similares.

	poblacion	democracia	corrupcion	kilos_totales	agnes
Afghanistan	41454761	0.073	20	4.558808e+06	1
Albania	2745972	0.507	37	2.357985e+03	1
Algeria	46164219	0.265	36	5.004563e+04	1
Angola	36749906	0.330	33	1.399334e+04	1
Argentina	45538401	0.838	37	3.406357e+05	2
Armenia	2964300	0.635	47	3.249862e+01	2
Australia	26652777	0.855	75	4.667940e+04	3
Austria	9131761	0.846	71	5.270837e+03	3
Azerbaijan	10153958	0.187	23	4.389029e+03	1
Belarus	9178298	0.157	37	1.149429e+03	1
Belgium	11787423	0.898	73	1.948574e+05	3
Benin	14111034	0.493	43	7.668199e+03	1
Bhutan	786385	0.540	68	1.977725e+02	2
Bosnia and Herzegovina	3185073	0.504	35	1.314814e+03	1
Botswana	2480244	0.556	59	1.361430e+03	2

AGNES - PAÍSES

 [1] "Benin"      "Costa Rica" "Czechia"    "Guyana"     "Liberia"   
 [6] "Lithuania"  "Malawi"     "Portugal"   "Singapore"  "Spain"     
[11] "Sri Lanka"  "Zambia"    

  agnes poblacion democracia corrupcion kilos_totales
1     1  88497801  0.3627143   31.07143     554686.94
2     2  20984573  0.6973056   49.05556     213340.09
3     3  37398321  0.8593913   76.47826      61277.28

DIANA (clustering jerárquico divisivo)

Finalmente, se aplica el método jerárquico divisivo (DIANA) para explorar otra forma de segmentar a los países según sus características.

	poblacion	democracia	corrupcion	kilos_totales	diana
Afghanistan	41454761	0.073	20	4.558808e+06	1
Albania	2745972	0.507	37	2.357985e+03	2
Algeria	46164219	0.265	36	5.004563e+04	2
Angola	36749906	0.330	33	1.399334e+04	2
Argentina	45538401	0.838	37	3.406357e+05	3
Armenia	2964300	0.635	47	3.249862e+01	2
Australia	26652777	0.855	75	4.667940e+04	3
Austria	9131761	0.846	71	5.270837e+03	3
Azerbaijan	10153958	0.187	23	4.389029e+03	2
Belarus	9178298	0.157	37	1.149429e+03	2
Belgium	11787423	0.898	73	1.948574e+05	3
Benin	14111034	0.493	43	7.668199e+03	2
Bhutan	786385	0.540	68	1.977725e+02	3
Bosnia and Herzegovina	3185073	0.504	35	1.314814e+03	2
Botswana	2480244	0.556	59	1.361430e+03	3

character(0)

PAM - Número de clusters

### PAM SILHOUTTE

AGNES - Número de clusters

AGNES - DENDOGRAMA

AGNES - SILHOUETTE

DIANA - DENDOGRAMA

DIANA - SILHOUETTE